[发明专利]图像盲去噪方法、装置、电子设备和存储介质

说明书

本发明实施例公开了一种图像盲去噪方法、装置、电子设备和存储介质。该图像盲去噪方法包括：根据预先对待去噪图像的图像采集设备进行图像噪声标定得到的图像噪声标定结果，确定待去噪图像的目标噪声参数；对待去噪图像进行初步滤波处理，得到待去噪图像的初步滤波图像；根据目标噪声参数和初步滤波图像确定待去噪图像的噪声水平估计结果；根据噪声水平估计结果对待去噪图像进行最终去噪处理，得到待去噪图像的最终盲去噪结果。本发明实施例通过将图像噪声标定和滤波相结合的方法实现噪声水平估计，降低盲去噪方法的整体复杂度，从而降低盲去噪方法在前端图像采集设备等算力受限平台上的部署难度。

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种图像盲去噪方法、装置、电子设备和存储介质。

背景技术

在通过图像采集设备获取图像的过程中，由于图像采集设备的自身物理约束以及外界光环境的限制，使得采集到的图像中不可避免地存在噪声，进而影响成像质量。为此，现有的图像采集设备均采用图像去噪技术来提高自身的成像质量。然而，由于图像真实噪声具有成分复杂性和来源多样性的特点，以及每个图像采集设备的真实噪声模型都有所差异，使得图像真实噪声去除的难度较大。目前对图像去噪的要求是在处理不同噪声水平的输入图像时均可实现很好的去噪效果，即实现盲去噪。

现有的盲去噪方法一般采用基于卷积神经网络(Convolutional NeuralNetworks，CNN)的方案，具体方案分为两步：第一步，采用一个CNN子网络对输入的待去噪图像进行噪声水平估计，得到其噪声水平图；第二步，将噪声水平图与待去噪图像合并，输入到另一个CNN子网络进行处理，得到待去噪图像的盲去噪结果。这种将噪声水平估计与CNN去噪相结合的方式，使得整个模型具备很好的盲去噪能力。但是该方法中模型的整体复杂度过高，需要同时部署两个CNN网络，对硬件平台的算力要求很高，从而增加了模型在前端图像采集设备等算力受限平台上的部署难度。

发明内容

本发明实施例提供一种图像盲去噪方法、装置、电子设备和存储介质，通过将图像噪声标定和滤波相结合的方法实现噪声水平估计，降低盲去噪方法的整体复杂度。

第一方面，本发明实施例提供了一种图像盲去噪方法，包括：

根据预先对待去噪图像的图像采集设备进行图像噪声标定得到的图像噪声标定结果，确定所述待去噪图像的目标噪声参数；

对所述待去噪图像进行初步滤波处理，得到所述待去噪图像的初步滤波图像；

根据所述目标噪声参数和所述初步滤波图像确定所述待去噪图像的噪声水平估计结果；

根据所述噪声水平估计结果对所述待去噪图像进行最终去噪处理，得到所述待去噪图像的最终盲去噪结果。

第二方面，本发明实施例还提供了一种图像盲去噪装置，包括：

图像噪声参数确定模块，用于根据预先对待去噪图像的图像采集设备进行图像噪声标定得到的图像噪声标定结果，确定所述待去噪图像的目标噪声参数；

图像初步滤波模块，用于对所述待去噪图像进行初步滤波处理，得到所述待去噪图像的初步滤波图像；

噪声水平估计模块，用于根据所述目标噪声参数和所述初步滤波图像确定所述待去噪图像的噪声水平估计结果；

盲去噪模块，用于根据所述噪声水平估计结果对所述待去噪图像进行最终去噪处理，得到所述待去噪图像的最终盲去噪结果。

第三方面，本发明实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的图像盲去噪方法。